Điều khiển thông minh đối tượng phi tuyến trần quang vinh

Mạng nơron RBF, mạng hàm cơ sở xuyên tâm, được thiết kế để ước lượng thông số hệ thống trong bộ điều khiển thích nghi.. Các khớp thần kinh Các đầu vào từ nơron khác Các dây thần kinh

ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH

Cán bộ hướng dẫn khoa học : TS.Nguyễn Đức Thành

Tp HCM, ngày tháng năm 2007

NHIỆM VỤ LUẬN VĂN THẠC SĨ

Họ tên học viên: TRẦN QUANG VINH Phái: Nam

Ngày, tháng, năm sinh: 18/02/1982 Nơi sinh: Quảng Nam

Chuyên ngành: Tự động hóa MSHV: 01505338

I- TÊN ĐỀ TÀI:

ĐIỀU KHIỂN THÔNG MINH ĐỐI TƯỢNG PHI TUYẾN

II- NHIỆM VỤ VÀ NỘI DUNG: - Tìm hiểu về đối tượng phi tuyến cánh tay mềm dẻo hai bậc tự do

- Nghiên cứu và thiết kế bộ điều khiển thông minh để điều khiển cánh tay mềm dẻo hai bậc tự do dùng giải thuật nơron thích nghi trực tiếp

III- NGÀY GIAO NHIỆM VỤ :

IV- NGÀY HOÀN THÀNH NHIỆM VỤ: V- CÁN BỘ HƯỚNG DẪN : TS Nguyễn Đức Thành

CÁN BỘ HƯỚNG DẪN CN BỘ MÔN

QL CHUYÊN NGÀNH

TS Nguyễn Đức Thành TS Nguyễn Đức Thành

Nội dung và đề cương luận văn thạc sĩ đã được Hội đồng chuyên ngành thông qua

Ngày tháng năm 2007

TRƯỞNG PHÒNG ĐT – SĐH TRƯỞNG KHOA QL NGÀNH

Em xin được tỏ lòng biết ơn sâu sắc đến thầy TS Nguyễn Đức Thành Thầy đã tận tình chỉ dạy, hướng dẫn để em có thể hoàn thành luận văn thạc sĩ này

Em xin cảm ơn tất cả quý thầy cô trong khoa Điện - Điện tử, phòng Đào tạo sau đại học trường đại học Bách khoa Tp HCM đã nhiệt tình dạy dỗ, tạo mọi điều kiện thuận lợi cho em trong thời gian học tập và nghiên cứu tại trường

Em xin chân thành cảm ơn các thầy cô, anh chị đồng nghiệp ở cơ quan đang công tác là khoa Điện - Điện tử viễn thông trường đại học Giao thông vận tải Tp HCM đã động viên, giúp đỡ em trong thời gian qua

Xin chân thành cảm ơn các bạn học viên lớp Cao học K2005 về sự quan tâm giúp đỡ của các bạn trong quá trình học tập

Em xin gủi lòng biết vô hạn đến cha mẹ, anh chị em, những người thân trong gia đình

và những người bạn thân

Học viên

Trần Quang Vinh

is used to control a two-degree of freedom flexible link The on-line neural network RBF is designed to evaluate system parameters in the adaptive controller The intention is to control the tip position while reducing oscillations caused by the flexibility in the structure With unknown mathematical models, the scheme is designed for controlling the trajectory of the plant under conditions of disturbances and noise The test trajectories are circle shape and geometric shape The result is given in simulation model and real-time model The technique explored here should

be applicable to a wide variety of nonlinear control problems

TÓM TẮT

Ngày nay, điều khiển thông minh đối tượng phi tuyến trở thành đề tài rất hữu ích Nó có thể giải quyết những vấn đề điều khiển phi tuyến cao Trong luận văn này, một bộ điều khiển nơron thích nghi trực tiếp được sử dụng để điều khiển cánh tay mềm dẻo hai bậc tự do Mạng nơron RBF, mạng hàm cơ sở xuyên tâm, được thiết kế để ước lượng thông số hệ thống trong bộ điều khiển thích nghi Mục đích là điều khiển vị trí đầu mút của cánh tay mềm dẻo sao cho giảm thiểu dao động gây ra bởi độ mềm dẻo trong cấu trúc Với mô hình toán không biết trước, cần điều khiển đối tượng bám theo quỹ đạo dưới ảnh hưởng nhiễu Quỹ đạo kiểm tra là hình tròn và dạng hình tem thư Kết quả được thực hiện ở chế độ mô phỏng mô hình tuyến tính gần đúng và mô hình thực Kỹ thuật điều khiển này cần được ứng dụng rộng rãi cho những vấn đề điều khiển phi tuyến khác

1.1 Tổng quan 1

1.2 Giới thiệu đề tài 3

1.3 Một số nghiên cứu hiện nay trên thế giới 4

CHƯƠNG II : MẠNG NƠRON – MẠNG RBF 8

2.1 Nơron sinh vật 8

2.1.1 Cấu trúc cơ bản của nơron 8

2.1.2 Các tín hiệu điện của nơron 11

2.2 Mô hình nơron nhân tạo 14

2.3 Mạng nơron nhân tạo 17

2.3.1 Cấu trúc mạng nơron 17

2.3.2 Phân loại mạng nơron 17

2.3.3 Mạng nơron truyền thẳng 18

2.4 Mạng RBF (Radial Basis Function Networks) 22

2.5 Một số ứng dụng mạng nơron nhân tạo 26

CHƯƠNG III : ĐIỀU KHIỂN THÍCH NGHI 32

3.1 Giới thiệu 32

3.2 Lịch sử hình thành và phát triển lý thuyết điều khiển thích nghi 34

3.3 Hồi tiếp tuyến tính hóa hệ phi tuyến 38

3.4 Điều khiển thích nghi gián tiếp 43

3.5 Điều khiển thích nghi trực tiếp 50

CHƯƠNG IV :ĐỐI TƯỢNG PHI TUYẾN CÁNH TAY MỀM DẺO HAI BẬC TỰ DO 56

4.1 Giới thiệu 56

4.2 Thông số hệ thống 57

4.3 Sự lắp ráp và đi dây 58

4.4 Kiểm tra 60

4.5 Mô hình toán 60

CHƯƠNG V : ĐIỀU KHIỂN CÁNH TAY MỀM DẺO DÙNG GIẢI THUẬT ĐIỀU KHIỂN NƠRON THÍCH NGHI TRỰC TIẾP 67

5.1 Giải thuật và chương trình điều khiển 68

5.1.1 Sơ đồ khối của hệ thống 68

5.1.2 Thiết kế bộ điều khiển nơron thích nghi trực tiếp 69

5.2 Kết quả đạt được 80

5.2.1 Kết quả mô phỏng bằng mô hình tuyến tính gần đúng 80

5.2.2 Kết quả điều khiển mô hình thực 84

5.3 Nhận xét 87

LYÙ LÒCH TRÍCH NGANG 91

CHƯƠNG I TỔNG QUAN VỀ ĐỀ TÀI NGHIÊN CỨU

1.1 Tổng quan

Sự phát triển của khoa học kĩ thuật trong những năm gần đây đạt được nhiều thành tựu đáng kể Công nghệ thông tin, tự động hóa … đã đưa nền văn minh con người lên một tầm cao mới, góp phần thúc đẩy sự phát triển của sản xuất và mang lại rất nhiều lợi ích Chính khoa học là động lực phát triển của sản xuất, trong đó phải kể đến lĩnh vực tự động hoá của mà sự hiện diện của nó là những robot, người máy

Ngày càng có nhiều robot, người máy ra đời Những công việc lặp đi lặp lại giờ đây đã có robot làm thay thế con người với hiệu quả kinh tế cao Ở những nơi nguy hiểm, những robot thông minh đã làm được những việc mà con người hầu như không thể trực tiếp làm Thế hệ robot sau hoàn thiện hơn thế hệ trước Con người chế tạo thành công nhiều robot trong công nghiệp như robot gắp phôi, lắp ráp linh kiện … , rồi đến những robot massage, robot giúp việc nhà cho đến những robot thám hiểm mặt trăng để gửi những hình ảnh và thông tin về sao Hỏa hay như robot làm việc trên trạm vũ trụ không gian Trong tương lai, với sự phát triển như vũ bão của khoa học kĩ thuật cộng với lòng say mê nghiên cứu tìm tòi, con người hoàn toàn có thể chế tạo ra những robot, người máy ưu việt, hoàn thiện hơn giúp ích rất nhiều cho cuộc sống

CHƯƠNG 1 : TỔNG QUAN VỀ ĐỀ TÀI NGHIÊN CỨU

Trong những nhà máy, xí nghiệp lớn và hiện đại, ngày càng xuất hiện nhiều những robot phục vụ quá trình sản xuất Những cánh tay máy to khoẻ thao tác nhanh gọn trong những dây chuyền sản xuất tự động Độ chính xác càng cao thì hiệu quả công việc và chất lượng sản phẩm càng tốt, do đó sẽ nâng cao sức cạnh tranh của sản phẩm trên thị trường

Đặc biệt, những cánh tay mềm dẻo có độ linh hoạt cao ngày càng tỏ ra phù hợp hơn Cho đến nay, trên thế giới đã có rất nhiều những công trình nghiên cứu về đề tài này Có nhiều loại cánh tay mềm dẻo như một bậc tự do hay robot cánh tay mềm dẻo đơn (Single Flexible Link Robot) Robot này có thanh được làm bằng chất liệu nhẹ (nhôm ) được thiết kế dài và mỏng để cho độ rung theo trục đứng có thể bỏ qua (hình 1.1) Bên cạnh đó còn có loại cánh tay mềm dẻo hai bậc tự do (Flexible Link Manupulators with Two degrees of Vibration) được phát triển tại đại học Waterloo (hình 1.2 )

Hình 1.1: Cánh tay mềm dẻo một bậc tự do

CHƯƠNG 1 : TỔNG QUAN VỀ ĐỀ TÀI NGHIÊN CỨU

Hình 1.2 : Tay máy mềm dẻo hai bậc tự do

1.2 Giới thiệu đề tài

Điều khiển thông minh cánh tay mềm dẻo là đề tài đang được nghiên cứu hiện nay Cùng với sự phát triển về kinh tế, khoa học kỹ thuật không ngừng phát triển ở nước ta trong những năm qua Chúng ta cần phải tiếp cận các lĩnh vực mới trên thế giới, vì thế với sự giúp đỡ của TS Nguyễn Đức Thành, tôi quyết định chọn đề tài

nghiên cứu “Điều khiển thông minh đối tuợng phi tuyến” – cánh tay mềm dẻo hai bậc tự do

Trong luận văn này trước hết tôi xin giới thiệu một kết cấu phần cứng của robot cánh tay mềm dẻo trong phòng thí nghiệm để hiểu rõ hơn về đối tượng điều khiển phi tuyến Đây là mô hình mà đề tài tập trung nghiên cứu và điều khiển Từ sự thành

CHƯƠNG 1 : TỔNG QUAN VỀ ĐỀ TÀI NGHIÊN CỨU

công của mô hình phòng thí nghiệm mới có thể góp phần vào ứng dụng trong thực tiễn

Trong phần tiếp theo của luận văn, để hiểu rõ hơn về phương pháp điều khiển thông minh được áp dụng để điều khiển đối tượng, tôi trình bày về mạng nơron và lý thuyết điều khiển thích nghi dùng nơron gián tiếp và trực tiếp Trong đó phương pháp điều khiển nơron thích nghi trực tiếp đuợc áp dụng bởi qua nhiều lần thử nghiệm nó cho kết quả điều khiển tốt hơn phương pháp điều khiển gián tiếp

Trong phần chính, luận văn sẽ trình bày về chương trình điều khiển cụ thể cũng như những kết luận rút ra được từ kết quả điều khiển mô hình thực của cánh tay mềm dẻo hai bậc tự do

Kết quả thu được là tương đối khả quan Song cần phải nghiên cứu nhiều hơn nữa để đạt được kết quả tốt nhất Rất mong có sự đóng góp của các thầy cô để công trình nghiên cứu ngày càng hoàn thiện hơn nữa

1.3 Một số nghiên cứu hiện nay trên thế giới

Vấn đề then chốt của đề tài là đưa ra giải thuật điều khiển để điều khiển robot đạt kết quả tốt nhất có thể Hiện nay, có nhiều nghiên cứu khác nhau của các tác giả tên tuổi ở những đại học lớn trên thế giới về đề tài Điều đó được thể hiện thông qua những công trình nghiên cứu và những bài báo được đăng tải trên các báo và tạp chí

uy tín Những nghiên cứu cũng đã nhận dạng và đưa ra những giải thuật điều khiển như bộ điều khiển LQR, điều khiển mờ, điều khiển giám sát dựa trên quy tắc luật, điều khiển dùng mạng Neural Network RBF … Đóng góp vào sự nghiên cứu này có khá nhiều đề tài

CHƯƠNG 1 : TỔNG QUAN VỀ ĐỀ TÀI NGHIÊN CỨU

Cánh tay robot mềm dẻo đơn với một số bài báo của các tác giả như :

A P Tzes and S Yurkovich, "An Adaptive Input Shaping Control Scheme for Vibration Suppression in Slewing Flexible Structures," IEEE Transactions on

Control Systems Technology, Vol 1, No 2, pp 114-121, June 1993

(Tác giả thực hiện việc điều khiển dạng tín hiệu vào thích nghi để ngăn chặn độ rung trong cấu trúc mềm dẻo xoay )

S Yurkovich and A P Tzes, "Experiments in Identification and Control of Link Manipulators," IEEE Control Systems, pp 41-47, February 1990

Flexible-( Trình bày một số thí nghiệm thực hiện việc nhận dạng và điều khiển tay máy mềm dẻo của hai tác giả )

S Yurkovich and F E Pacheco, "On Controller Tuning for a Flexible-Link

Manipulator with Varying Payload," Jour of Robotic Systems, Vol 6, No 3, pp 233-254, 1989

( Chỉnh định bộ điều khiển cho tay máy mềm dẻo với tải thay đổi Khi tải thay đổi các thông số bộ điều khiển phải chỉnh định lại cho phù hợp để thích nghi với mô hình mới )

S Yurkovich, F E Pacheco and A P Tzes, "On-Line Frequency Domain

Information for Control of a Flexible-Link Robot with Varying Payload," IEEE Transactions on Automatic Control, Vol 34, No 12, pp 1300-1304, December

1989

( Các tác giả đưa ra thông tin trên miền tần số online để điều khiển robot cánh tay mềm dẻo với tải thay đổi )

A P Tzes and S Yurkovich, "Application and Comparison of On-Line

Identification Methods for Flexible Manipulator Control," The International Journal

of Robotics Research, Vol 10, No 5, pp 515-527, October 1991

CHƯƠNG 1 : TỔNG QUAN VỀ ĐỀ TÀI NGHIÊN CỨU

( Aùp dụng và so sánh phương pháp nhận dạng trực tiếp cho việc điều khiển tay máy mềm dẻo )

A P Tzes and S Yurkovich, "A Frequency Domain Identification Scheme for Flexible Structure Control," ASME Journal of Dynamic Systems, Measurement, and Control, Vol 112, pp 427-434, September 1990

( Nhận dạng miền tần số trong việc điều khiển cấu trúc mềm dẻo )

S Yurkovich, F E Pacheco and A P Tzes, "On-Line Frequency Domain

Information for Control of a Flexible-Link Robot with Varying Payload," IEEE Transactions on Automatic Control, Vol 34, No 12, pp 1300-1304, December

( Điều khiển hồi tiếp tốc độ tay máy mềm dẻo )

Cánh tay robot mềm dẻo hai bậc tự do với một số bài báo như :

V G Moudgal, K M Passino, and S Yurkovich, "Rule-Based Control for a

Flexible-Link Robot," IEEE Transactions on Control Systems Technology, Vol 2,

No 4, Dec 1994

( Tác giả trình bày một số quy luật điều khiển cơ bản cho robot cánh tay mềm dẻo )

V G Moudgal, W A Kwong, K M Passino, and S Yurkovich, "Fuzzy Learning Control for a Flexible-Link Robot," IEEE Transactions on Fuzzy Systems, Vol 3,

No 2, May 1995

( Điều khiển học mờ cho robot cánh tay mềm dẻo )

CHƯƠNG 1 : TỔNG QUAN VỀ ĐỀ TÀI NGHIÊN CỨU

E R Garcia-Benitez, J M Watkins and S Yurkovich, "Nonlinear Control with Acceleration Feedback for a Two-Link Flexible Robot," IFAC Control Engineering Practice, Vol 1, no 6, pp 989-997, 1993

( Trình bày phương pháp điều khiển phi tuyến hồi tiếp tốc độ cho robot hai cánh tay mềm dẻo )

K L Hillsley and S Yurkovich, "Vibration Control of a Two-Link Flexible Robot Arm," Dynamics and Control, Vol 3, pp 261-280, 1993

( Điều khiển độ rung cho hai cánh tay robot mềm dẻo)

E R Garcia-Benitez, S Yurkovich and K Passino, "Rule-Based Supervisory Control of a Two-Link Flexible Manipulator," Journal of Intelligent and Robotic Systems, Vol 7, pp 195-213, 1993

(Điều khiển giám sát luật cơ bản tay máy với hai cánh tay mềm dẻo )

“Flexible Link Control Using Multiple Forward Paths, Multiple RBF Neural

Networks in a Direct Control Application” - Daniel K Wedding and Adel

Eltimsahy, Member IEEE

( Điều khiển cánh tay mềm dẻo sử dụng nhiều đường hồi tiếp, nhiều mạng neural RBF trong ứng dụng điều khiển trực tiếp )

Điều khiển cánh tay mềm dẻo hai bậc tự do dùng giải thuật LQR – Hãng

CHƯƠNG II MẠNG NƠRON – MẠNG RBF

Mô phỏng sinh học, đặc biệt là mô phỏng các chức năng hoạt động của bộ não người là mơ ước từ lâu của loài người Não người được cấu tạo từ khoảng 1011 nơron, mỗi nơron trung bình nhận thông tin từ 104 nơron khác Như vậy có khoảng 1015 mối liên kết trong bộ não người Với số lượng nơron và các mối liên kết giữa chúng làm cho bộ não người có cấu trúc cực kỳ phức tạp Điều này cho phép bộ não người có khả năng tư duy, nghi nhớ những sự kiện quá khứ, dự đoán, tổng quát hóa, nhận dạng, phân loại, điều khiển Việc nghiên cứu bộ não người theo khía cạnh giải phẫu học, tâm lý học, thần kinh học để hiểu biết các nguyên tắc hoạt động của bộ não là rất cần thiết Từ đó cho phép chúng ta tạo ra được những hệ thống thông minh có thể giải quyết nhiều vấn đề phức tạp trong đo lường, điều khiển tự động, hệ thống chuyên gia, công nghệ robot.v.v

2.1 Nơron sinh vật

2.1.1 Cấu trúc cơ bản của nơron

Nơron sinh học thu nhận, xử lý thông tin và kết nối với các bộ phận của cơ thể

CHƯƠNG 2 : MẠNG NƠRON – MẠNG RBF

Khớp thần kinh Dây thần

kinh vào

Các đầu vào song song

Dây thần kinh ra

Hình 2.1: Sơ đồ liên kết các nơron

Mỗi nơron nhận các tín hiệu đầu vào qua các khớp thần kinh và tạo ra một tín hiệu ra truyền đến các nơron khác

Các khớp thần kinh

Các đầu vào

từ nơron khác

Các dây thần

kinh vào

Hướng truyền thông tin

Các nhánh đầu

Thân nơron

Hình 2.2: Cấu trúc một nơron sinh học

Mỗi nơron nhận nhiều tín hiệu đầu vào thông qua các khớp thần kinh và tạo ra một tín hiệu đầu ra truyền dọc theo dây thần kinh ra

Thân nơron (soma) có đường kính khoảng 30μm Trong thân nơron là nhân tế bào thần kinh Mỗi tế bào thần kinh nhận nhiều đầu vào (khoảng 104) qua các dây thần kinh vào (dendrite) và sau vài quá trình xử lý tạo ra một tín hiệu đầu ra truyền

CHƯƠNG 2 : MẠNG NƠRON – MẠNG RBF

dọc theo dây thần kinh ra (axon) Điểm nối giữa dây thần kinh ra của nơron này với dây thần kinh vào của nơron khác được gọi là khớp thần kinh (synapse) Dây thần kinh vào có độ dài khoảng 200-300μm Thông tin tạo ra bởi tế bào thần kinh được truyền dọc theo dây thần kinh ra Dây thần kinh ra có độ dài từ 50μm cho đến vài mét Trung bình có 10.000 khớp thần kinh nối với mỗi dây thần kinh ra Nơron được bao quanh bởi dung dịch các ion hóa học hòa tan, chủ yếu là Na+, Ca2+, K+ và Cl- Các ion Na+ và K+ góp phần quan trọng để tạo ra các đáp ứng của nơron, những đáp ứng này gọi là điện thế hoạt động hay xung thần kinh Ion K+ tập trung chủ yếu bên trong nhân của nơron và Na+ được tập trung chủ yếu bên ngoài của màng tế bào thần kinh Ở trạng thái nghỉ thì điện thế nghỉ của nơron vào khoảng -70mV được cung cấp bởi sự hoạt động của màng tế bào

Hình 2.3: Cấu trúc hóa học của nơron

CHƯƠNG 2 : MẠNG NƠRON – MẠNG RBF

Xung thần kinh

Hình 2.4: Cấu trúc đơn giản của khớp thần kinh

Thời gian hồi phục Thời gian hoạt động

Thời gian tăng

thế hoạt động

-70

+30

0 Điện thế màng (mV)

Hình 2.5: Xung thần kinh

2.1.2 Các tín hiệu điện của nơron

Trong nơron sinh học, dây thần kinh vào cung cấp các tín hiệu đầu vào cho nơron Chúng truyền và giữ nguyên dạng các tín hiệu vào thân nơron Thân nơron

CHƯƠNG 2 : MẠNG NƠRON – MẠNG RBF

thực hiện các thao tác toán học trên các tín hiệu này và tạo ra điện thế hoạt động truyền theo dây thần kinh ra Điện thế hoạt động xuất hiện trên các dây thần kinh ra như một chuỗi xung, gọi là xung thần kinh Các điện thế hoạt động được truyền không suy giảm trên dây thần kinh ra và các nhánh của nó đến các tế bào đích như các nơron, cơ bắp, các tuyến Quá trình tạo ra xung thần kinh trong nơron hoặc truyền trên các dây thần kinh ra là do thay đổi sự thẩm thấu của các ion K+ và Na+

trên màng tế bào thần kinh

Khớp thần kinh đóng vai trò bộ biến đổi hóa học để truyền tín hiệu qua ranh giới của khớp nối Điện thế hoạt động dọc theo dây thần kinh ra của nơron này được khớp thần kinh chuyển thành điện áp trên dây thần kinh vào của nơron khác Nơron được xem là hoạt động khi nó tạo ra chuỗi các điện thế hoạt động Khi xung thần kinh truyền tới khớp thần kinh giải phóng chất trong khớp tạo ra đáp ứng điện Đáp

ứng điện này có thể là kích thích hoặc ức chế được biểu trên hình 2.6

Hình 2.6: Điện thế kích thích và ức chế của khớp thần kinh

Bản chất của đáp ứng điện tùy thuộc vào kiểu của bộ biến đổi hóa học và màng dây thần kinh vào Các dây thần kinh đầu vào bắt nguồn từ các khớp thần kinh kích thích có xung hướng tăng cường độ đốt nơron Trong khi các đầu vào từ các khớp ức chế có xu hướng giảm cường độ đốt nơron Một nơron nhận nhiều đầu vào kích thích và ức chế Nếu các đầu vào kích thích càng mạnh thì xung đầu ra càng lớn Ngược

CHƯƠNG 2 : MẠNG NƠRON – MẠNG RBF

lại, nếu các đầu vào ức chế chiếm ưu thế thì đầu ra sẽ nhỏ hoặc bị triệt tiêu hoàn toàn Độ lớn của tín hiệu trên dây thần kinh vào tỉ lệ với tần số trung bình của các xung truyền tới khớp thần kinh Các khớp thần kinh thường nằm giữa dây thần kinh vào và dây thần kinh ra Nó cũng có thể xuất hiện giữa các dây thần kinh ra hoặc giữa các dây thần kinh vào, thậm chí nằm giữa dây thần kinh ra và thân nơron Một nơron có khả năng mã hóa các tín hiệu kích thích thành tần số xung như hình 2.5 Hai tính chất quan trọng của các điện thế hoạt động có liên hệ trực tiếp với khả năng

mã hóa tần số của nơron Tính chất thứ nhất là thời gian tăng, nó được xác định bằng

thời gian bắt đầu kích thích đến khi điện thế hoạt động đạt cực đại Thời gian tăng

này giảm theo hàm mũ khi tăng cường độ kích thích Tính chất thứ hai gọi là thời

gian hồi phục, là thời gian ngắn nhất cần thiết để tạo hai điện thế hoạt động thành

công trên dây thần kinh ra như hình 2.5 Nói cách khác là thời gian ngắn nhất giữa hai điện thế hoạt động Ngưỡng của kích thích thứ hai tùy thuộc vào thời gian hồi

phục Có một vùng thời gian chết gọi là thời gian hồi phục tuyệt đối Trong khoảng

thời gian này, nơron không thể tạo ra một xung thần kinh khác Sau thời gian hồi phục tuyệt đối thì cường độ ngưỡng kích thích của xung thứ hai giảm theo hàm mũ khi tăng thời gian hồi phục

Do đó, nếu cung cấp kích thích với ngưỡng không đổi thì thời gian tăng và thời gian hồi phục sẽ điều khiển tần số của các xung đầu ra Chẳng hạn, kích thích với cường độ cao sẽ thu được thời gian hồi phục nhỏ và thời gian tăng ngắn, do đó tạo ra điện thế hoạt động có tần số

CHƯƠNG 2 : MẠNG NƠRON – MẠNG RBF

2.2 Mô hình nơron nhân tạo

Từ những nghiên cứu về nơron sinh vật ta có thể xây dựng mô hình nơron nhân tạo như hình 2.7

Hình 2.7: Mô hình một nơron nhân tạo

Mô hình một nơron nhân tạo ở trên bao gồm bộ tổng các liên kết đầu vào và phần phi tuyến g(.)

+ Bộ tổng liên kết:

Phương trình mô tả của bộ tổng liên kết:

u(t): Tổng tất cả các đầu vào mô tả thế năng tác động ở thân nơron

CHƯƠNG 2 : MẠNG NƠRON – MẠNG RBF

xk(t) : Các đầu vào ngoài, mô tả tín hiệu vào từ các khớp nơron ngoài tới nơron hiện tại, n là số đầu vào, k=1 n

y(t) : Đầu ra nơron

Wk: trọng số liên kết các đầu vào ngoài

b: Ngưỡng, xác định ngưỡng kích thích hay ức chế

+ Phần phi tuyến:

Quan hệ phi tuyến y(t)=g(u(t)) cho đầu ra y(t) với đầu vào u(t) Có nhiều hàm phi tuyến có thể sử dụng trong mạng nơron nhân tạo Các hàm phi tuyến thông thường được mô phỏng theo các hàm ánh xạ của nơron sinh vật Tuy nhiên có một số dạng hàm mũ, lôgarít được sử dụng nhưng cơ sở sinh vật của các hàm này chưa được giải quyết

CHƯƠNG 2 : MẠNG NƠRON – MẠNG RBF

Bảng 2.1:Một số hàm phi tuyến thường dùng trong các mô hình nơron

1 nếu u≥ 0 Hàm bước nhảy đơn vị

(hard limit) g(u)= 0 nếu u< 0

g

1 nếu u≥ 0 Hàm bước nhảy lưỡng

cực g(u)= -1 nếu u< 0

Hàm tuyến tính g(u)=u

Hàm tuyến tính bão

hòa đối xứng g(u)=

-1 nếu 0<u

u nếu u ≥0 Hàm tuyến tính dương g(u)=

0 nếu u <0

e u

g =1+ − λ

1)

(

1

0 0.5

1 -1

e u

1 nơron gần tâm nhất Hàm cạnh tranh g(u)=

0 nơron khác

2.3 Mạng nơron nhân tạo

2.3.1 Cấu trúc mạng nơron

Mạng nơron hai lớp: Mạng nơron hai lớp gồm một lớp đầu vào và một lớp đầu

ra riêng biệt

Mạng nơron nhiều lớp: Mạng nơron nhiều lớp gồm một lớp đầu vào và một lớp đầu ra riêng biệt Các lớp nằm giữa lớp đầu vào và lớp đầu ra gọi là các lớp ẩn (Hidden layers)

Mạng nơron truyền thẳng: Mạng nơron truyền thẳng là mạng hai hay nhiều lớp mà tín hiệu truyền theo một hướng từ đầu vào đến đầu ra

Mạng nơron phản hồi: Mạng nơron phản hồi là mạng mà trong đó một hoặc nhiều đầu ra của các phần tử lớp sau truyền tín hiệu ngược lại tới đầu vào của lớp trước

2.3.2 Phân loại mạng nơron

Có nhiều cách để phân loại mạng nơron

CHƯƠNG 2 : MẠNG NƠRON – MẠNG RBF

- Dựa vào số lớp có trong mạng nơron ta có thể phân loại thành : mạng nơron một lớp; mạng nơron nhiều lớp

- Dựa vào đường truyền tín hiệu trong mạng nơron ta phân loại thành:

Mạng nơron truyền thẳng; mạng nơron phản hồi; mạng nơron tự tổ chức

Một kiểu phân loại điển hình được biểu diễn như hình 2.8

Một Nhiều lớp

Back

Propagation Percept-ron Adaline

Brain State-

in Box

field

Hop-Máy Boltz-

Mc Culloch Pitts

Cohen Grossberg RBF

Ánh xạ đặc trưng ARTMạng nơron nhân tạo

Hình 2.8: Phân loại mạng nơron nhân tạo

2.3.3 Mạng nơron truyền thẳng

+ Mạng truyền thẳng một lớp

Mạng nơron truyền thẳng một lớp là mạng mà các nơron tạo thành một lớp và tín hiệu truyền theo một hướng từ đầu vào đến đầu ra

CHƯƠNG 2 : MẠNG NƠRON – MẠNG RBF

Hình 2.9: Mô hình mạng nơron truyền thẳng một lớp

Trường hợp H(s)=1, ta có phương trình mô tả mạng:

pk(t) : đầu vào ngoài thứ k, k=1, m, tại thời điểm t

wik: trọng liên kết từ đầu vào thứ k đến nơron thứ i

yi(t) : đầu ra của nơron thứ i

bi: ngưỡng của nơron thứ i

n : số phần tử nơron

CHƯƠNG 2 : MẠNG NƠRON – MẠNG RBF

m : số tín hiệu đầu vào

Có thể mô tả bằng phương trình dạng ma trận như sau:

U(t) = W.P(t)+B (2.4) Y(t) = g(U(t)) (2.5) Trong đó:

+ Mạng nơron truyền thẳng nhiều lớp

Mạng nơron truyền thẳng hai lớp gồm lớp sigmoid và lớp tuyến tính có thể xấp

xỉ hầu hết các hàm tùy ý, mạng một lớp không làm được điều này

gq

gQgQ

y

1 2

Hình 2.10: Mạng nơron truyền thẳng nhiều lớp

CHƯƠNG 2 : MẠNG NƠRON – MẠNG RBF

Phương trình mô tả mạng :

) (

) (

1

1

i n

j

q j

q ij

q i

q i

q i

q

i g u g w y b y

n : số nơron ở lớp thứ q

Q: Số lớp nơron của mạng

Đầu vào mạng y0=p

Đầu ra mạng y=yQ

Hàm năng lượng của mạng có thể tính theo biểu thức:

2 1

)(

2

1)

n

i

i y d w

Trong đó di là đầu ra mong muốn của nơron thứ i ở lớp ra

Hầu hết các mạng nơron thực tế chỉ có 2 hoặc 3 lớp, rất hiếm mạng có từ 4 lớp trở lên Các đặc điểm của tín hiệu đầu ra sẽ quyết định hàm truyền của mạng ở lớp ra

CHƯƠNG 2 : MẠNG NƠRON – MẠNG RBF

2.4 Mạng RBF (Radial Basis Function Networks)

Mạng RBF đã được đề xuất bởi một số tác giả như Moody và Darken 1989; Renals và Rohwer 1989 Đây là trường hợp đặc biệt của mạng truyền thẳng 2 lớp

Kiến trúc chung của mạng RBF như ở hình 2.11 , trong đó:

- Hàm tổng ngõ vào của tế bào thần kinh ở lớp ẩn là hàm cầu

θρ

w x w x w

x net

trong đó θ là mức ngưỡng của tế bào thần kinh

- Hàm kích hoạt tế bào thần kinh ở lớp ẩn là hàm mũ:

(2.9)

f

e f

w net

m

j j j

- Mức ngưỡng của các tế bào thần kinh bằng không

Do đó áp dụng công thức tính quan hệ vào ra của mạng truyền thẳng, ngõ ra

của tế bào thần kinh thứ i của mạng RBF có m ngõ vào, n ngõ ra và l tế bào thần

kinh ở lớp ẩn được tính theo như sau:

q q

e w y

σq∈ℜ là độ phân tán của hàm cơ sở thứ k

l là trọng số ở lớp ra ( của ngõ ra thứ i )

càng lớn và ngược lại Do ngõ ra của mạng là tổng có trọng số của các ngõ ra của các tế bào thần kinh ở lớp ẩn nên chỉ những vector tín hiệu vào nằm trong lân cận quanh tâm của hàm cơ sở mới ảnh hưởng đến ngõ ra của mạng Nói cách khác, hàm

cơ sở xuyên tâm có tính cục bộ

Hình 2.12 : Ngõ ra của tế bào thần kinh ở lớp ẩn của mạng RBF

Thuật toán huấn luyện mạng RBF :

Do mạng RBF là một trường hợp đặc biệt của mạng truyền thẳng nên hoàn toàn có thể áp dụng thuật toán lan truyền ngược để huấn luyện mạng RBF Tuy nhiên do đặc điểm hàm cơ sở xuyên tâm có tính cục bộ nên thông thường mạng RGF được huấn luyện qua 2 bước :

Bước 1 : Xác định tâm và độ phân tán của các hàm cơ sở

- Xác định tâm μq (q= l) của các hàm cơ sở : Cách phổ biển nhất là phân các vector tín hiệu vào trong tập dữ liệu huấn luyện mạng thành q nhóm, sau đó tính tâm chính là tâm của mỗi nhóm μq

CHƯƠNG 2 : MẠNG NƠRON – MẠNG RBF

- Xác định độ phân tán σq (q= l) của các hàm cơ sở : Giá trị độ phân tán

q

σ có ảnh hưởng rất lớn đến chất lượng của mạng Có nhiều cách khác nhau để xác định giá trị này, cách phổ biến nhất là dựa trên sự tương đồng giữa các nhóm dữ liệu vào Đối với mỗi tế bào thần kinh ở lớp ẩn, khoảng cách từ tâm của nó đến tế bào thần kinh khác gần nhất chính là giá trị độ phân tán

q

σ

Bước 2 : Huấn luyện trọng số ở lớp ra của mạng

Do tín hiệu ra của mạng RBF tuyến tính theo trọng số của lớp ra nên trọng số lớp ra có thể tính được dễ dàng bằng cách sử dụng thuật toán bình phương tối thiểu tuyến tính

) ( ) ( )

( ) ( (2.13)

q q

k x

μ

2 ) (

) (

−

−

=

trong đó : z(k)=⎢⎣⎡z1(k) z2(k) K z l(k)⎥⎦⎤T,

( K là số mẫu dữ liệu huấn luyện mạng)

Ngoài ra, cũng có thể huấn luyện mạng thần kinh ở lớp ra dùng thuật toán lặp như sau :

Thuật toán huấn luyện trọng số lớp ra của mạng RBF :

, chọn sai số cực đại Bước 1 : Chọn tốc độ học η >0 Emax

Bước 2 : Khởi động :

- Gán sai số E = 0

CHƯƠNG 2 : MẠNG NƠRON – MẠNG RBF

- Gán biến chạy k = 1

- Gán các trọng số w iq (k), (i =1,n; q=1,l) bằng giá trị ngẫu nhiên bất kỳ

Bước 3 : Tính ngõ ra của mạng với tín hiệu vào là (k) :

x

q q

) (

y

1

) ( ) ( )

( (i=1,n) (2.15) Bước 4 : Cập nhật trọng số của lớp ra của mạng :

(i=1,n; q=1,l) (2.16) )

())()(()()1

E

1

2

))()((2

2.5 Một số ứng dụng mạng nơron nhân tạo

+ Mạng nơron nhân tạo có khả năng nhận dạng (ảnh, vật thể, tiếng nói ), xử lý thông tin có nhiễu, không đầy đủ, không chắc chắn, mờ

CHƯƠNG 2 : MẠNG NƠRON – MẠNG RBF

+ Mạng nơron có khả năng xử lý song song với tốc độ xử lý nhanh do vậy nó là công cụ mới đầy hứa hẹn trong khoa học tính toán, nhận dạng, điều khiển tự động cũng như nhiều lĩnh vực khác Các hệ thống sử dụng nó có thể tăng tốc độ xử lý và tính toán theo thời gian thực

+ Mạng nơron nhân tạo có khả năng học thích nghi, nó sẽ thích ứng với quá trình tự chỉnh trong quá trình điều khiển tự động

+ Mạng nơron có khả năng tổng quát hoá do đó có thể áp dụng để dự báo lỗi hệ thống tránh được những sự cố đáng tiếc mà các hệ thống điều khiển có thể gây ra + Mạng nơron có thể phối hợp cả nhận dạng và điều khiển đối tượng do đó nó có thể được thực hiện như một bộ điều khiển thích nghi

Việc nghiên cứu để đưa mạng nơron nhân tạo áp dụng vào quá trình điều khiển tự động đã được nhiều nhà khoa học thực hiện và đã đưa ra được nhiều kết quả quan trọng

+ Theo Hunt (1992) thì mạng Hopfield có thể dùng làm bộ điều khiển cho hệ thống học tuyến tính Trong trường hợp này người ta dùng các phần tử của cấu trúc nơron thay đổi được để xây dựng bộ điều khiển Bộ điều khiển đưa ra chứa đựng sự thích nghi và đạt độ bền tốt

+ Theo Chu thì mạng Hopfield có thể dùng làm một phần của cơ chế thích nghi trong nhận dạng hệ tuyến tính Trong trường hợp này, mạng tham gia vào vòng thích nghi và được dùng để tối thiểu tốc độ sai số bình phương tức thời của tất cả các trạng thái Các đầu ra của mạng được dùng để thể hiện các tham số của mô hình đối tượng dạng tuyến tính có tham số thay đổi theo thời gian hoặc tham số bất biến

CHƯƠNG 2 : MẠNG NƠRON – MẠNG RBF

+ Chang, Zhang và Sami cho biết mạng Hopfield cũng có thể kết hợp với mạng Gabor để nhận dạng hệ phi tuyến Trong trường hợp này, mạng bao gồm ba lớp Lớp thứ nhất gọi là bộ tạo hàm sử dụng mạng Gabor để tạo hàm phi tuyến cơ sở Gabor Lớp thứ hai dùng mạng Hopfield để tối ưu các hệ số trọng chưa biết Lớp thứ ba được gọi là mạng điều khiển để tính sai số ước lượng và điều khiển hoạt động của các lớp mạng thứ nhất và lớp mạng thứ hai Hệ không yêu cầu phải ổn định tiệm cận mà chỉ cần các đầu vào-ra giới hạn và ổn định đối với các kết quả được coi là hợp lý theo miền vào-ra lớn Thành công của phương pháp ở chỗ đã đạt được lý luận của phương pháp và cho kết quả mô phỏng

+ Mạng phản hồi Hopfield được dùng để tổng hợp hệ điều khiển tuyến tính có phản hồi thông qua đặt cực Trong trường hợp này mạng nơron có khả năng giải những bài toán quy hoạch lồi Để thu được ma trận phản hồi trạng thái K thông qua đặt cực, người ta dùng mạng nơron phản hồi kiểu Hopfield So với các phương pháp đặt cực truyền thống khác, phương pháp này có ưu điểm là phương pháp tổng hợp on-line và tự điều chỉnh thông qua mạng nơron phản hồi So với phương pháp sử dụng mạng nơron khác dùng để tổng hợp hệ tuyến tính, phương pháp này có ưu điểm là tự động cả đặt cực và tối thiểu chuẩn mà không cấn huấn luyện trước Phương pháp này sử dụng bản chất vốn dĩ về tính toán song song và phân bổ của mạng nơron phản hồi nên có thể dùng trực tiếp trong các ứng dụng theo thời gian thực Các tác giả này đang định hướng nghiên cứu phương pháp này để đặt cực trong tổng hợp hệ phi tuyến

+ Mạng nơron phản hồi có thể dùng làm bộ nhớ liên kết Bộ nhớ liên kết có thể sử dụng như bộ suy diễn mờ Như vậy có sự kết hợp giữa mạng nơron và các luật mờ

CHƯƠNG 2 : MẠNG NƠRON – MẠNG RBF

tạo nên bộ điều khiển nơron mờ Phần điều kiện trong trường hợp này có thể sử dụng mạng 'học lượng tử véc tơ' Luật if then dùng bộ nhớ liên kết với mạng Hopfield hoặc mạng liên kết hai chiều

+ Yun-Ki Lei và các đồng tác giả đã sử dụng mạng nơron truyền thẳng ba lớp lấy tín hiệu sai số để điều chỉnh tham số của PID là các hệ số Ki, Kp, Kd Đầu vào hiệu chỉnh mạng nơron trong trường hợp này sử dụng độ lệch giữa sai số chuẩn g(t) và sai số thực của hệ điều khiển Tuy nhiên, hệ điều khiển được xây dựng chưa được chứng minh đảm bảo ổn định

+ Abiev (1994) cũng đã nêu sơ đồ chỉnh định trực tiếp các hệ số PID Trong trường hợp này, mạng nơron ba lớp truyền thẳng chứa các tình huống điều khiển để đưa ra tín hiệu điều khiển cho hệ Mạng nơron lúc đó được mô tả theo các luật mờ if then Phương pháp đã được áp dụng để điều khiển nhiệt độ trong công nghệ hoá dầu ở Bacu

+ Allon Gues cũng đã nêu một phương pháp tuyến tính hóa quanh điểm cân bằng của mạng Hopfield liên tục nhằm xác định hệ số của mô hình bằng cách rút ra và giải n(n+1) phương trình và bất phương trình, (trong đó n là số phần tử nơron) Phương pháp Liapunov trực tiếp sử dụng ở đây để xác định nghiệm ổn định tiệm cận cho mạng Các vùng ổn định của mạng dùng làm các vùng điều chỉnh các tham số của bộ điều chỉnh PD Đây là một phương pháp tổng hợp mạng kết hợp với tiêu chuẩn ổn định Liapunov để xác định các hệ số trọng của mạng liên tục cho từng phần tử nơron, mỗi nơron chỉnh một tham số của bộ PD

+ Năm 1996, vấn đề nhận dạng tham số và điều khiển hệ servo với bộ điều chỉnh PID đã được đưa ra Sơ đồ sử dụng mạng Hopfield liên tục để nhận dạng, sử

CHƯƠNG 2 : MẠNG NƠRON – MẠNG RBF

dụng mạng Hopfield rời rạc bậc ba theo phương pháp điều khiển gián tiếp để điều chỉnh tham số của bộ điều khiển PID theo tình huống, đồng thời ứng dụng nó để điều khiển rô bốt

+ Mạng nơron RBF, với khả năng ứng dụng trong điều khiển thích nghi phi tuyến Trên cơ sở phân tích ưu điểm của mạng nơron RBF là khả năng sinh và diệt nơron tác giả đưa ra nhận định khả năng ứng dụng nó vào quá trình điều khiển thích nghi các hệ thống phi tuyến có cấu trúc thay đổi

+ Mạng nơron truyền thẳng nhiều lớp với khả năng xấp xỉ các hàm phi tuyến bất kỳ với độ chính xác tuỳ ý do đó ngày càng được ứng dụng nhiều trong các bài toán điều khiển

+ Một số tác giả đã tập trung nghiên cứu việc ứng dụng mạng nơron nhân tạo vào điều khiển rô bốt và tay máy Các mạng nơron phản hồi, mạng nơron truyền thẳng cũng đã được sử dụng để hiệu chỉnh tín hiệu điều khiển nhằm đạt được chế độ điều khiển tối ưu

+ Mạng nơron đã dần được ứng dụng vào các lĩnh vực truyền thông như nhận dạng kênh, mô hình hoá kênh, mã hoá và giải mã, hiệu chỉnh kênh, phân tích phổ, lượng tử hoá véc tơ ở đây các mạng nơron truyền thẳng, phản hồi, mạng nơron tự tổ chức được ứng dụng trong các lĩnh vực phù hợp

+ Có thể sử dụng mạng nơron để làm bộ biến đổi tương tự-số Để xác định các trọng và ngưỡng của mạng nơron ta tiến hành so sánh sai số của bộ biến đổi với hàm năng lượng của mạng Hopfield

CHƯƠNG 2 : MẠNG NƠRON – MẠNG RBF

+ Mạng nơron được dùng để xấp xỉ các đặc tính phi tuyến của cảm biến dựa trên lý thuyết xấp xỉ hàm một hoặc nhiều biến bằng mạng nơron với độ chính xác tùy ý

+ Ứng dụng mạng nơron trong xử lý điện não Trong điện não đồ thì sóng điện não EEG bao gồm bốn sóng là Delta, Theta, Alpha và Beta Để nhận dạng ra bốn loại sóng đó rồi tiến hành so sánh điện não đồ của người mắc bệnh và người không mắc bệnh giúp cho quá trình chuẩn đoán bệnh được dễ dàng Mạng nơron có thể thực hiện được việc đó Mạng nơron Back-propagation có trễ với hàm kích hoạt Sigmoid đã được sử dụng để nhận dạng các thông số của điện não đồ

+ Các mạng nơron đã được nhiều tác giả nghiên cứu ứng dụng trong xử lý chữ viết, như: nhận dạng ký tự, nhận dạng chữ viết, nhận dạng tiếng nói

+ Trong các lĩnh vực nghiên cứu về hình ảnh cũng được các tác giả sử dụng mạng nơron để xử lý hình ảnh như nhận dạng, xử lý

CHƯƠNG 2 : MẠNG NƠRON – MẠNG RBF

CHƯƠNG III ĐIỀU KHIỂN THÍCH NGHI

3.1 Giới thiệu

Bằng cách giải bài toán nhận dạng hệ thống chúng ta có thể xác định được mô hình toán của đối tượng và sử dụng thông tin này để thiết kế hệ thống điều khiển Nếu đặc tính của đối tượng điều khiển không thay đổi trong suốt quá trình hoạt động thì hệ thống điều khiển đã thiết kế sẽ có đáp ứng thỏa mãn yêu cầu Tuy nhiên, kinh nghiệm cho thấy trong thực tế thông số của đối tượng thường thay đổi không dự đoán trước được do ảnh hưởng của điều kiện làm việc khi hệ thống hoạt động, do đó nếu không liên tục được “thiết kế lại” thì bộ điều khiển thiết kế ban đầu có thể không thể khống chế tốt đối tượng Hệ thống điều khiển trong đó thông số (và cấu trúc) của bộ điều khiển thay đổi trong quá trình vận hành nhằm giữ vững chất lượng điều khiển của hệ thống có sự hiện diện của yếu tố bất định hoặc biến đổi không biết trước trong thông số hệ thống gọi là hệ thống điều khiển thích nghi Vì các yếu tố bất định xuất hiện trong nhiều bài toán điều khiển thực tế, điều khiển thích nghi rất hữu ích trong nhiều lĩnh vực công nghiệp

CHƯƠNG 3 : ĐIỀU KHIỂN THÍCH NGHI

Nhận dạng

Hình 3.1: Sơ đồ khối hệ thống điều khiển thích nghi

Trong sơ đồ trên ta thấy bộ điều khiển được chỉnh định liên tục khi hệ thống đang hoạt động Tùy theo cách chỉnh định thông số mà ta có các phương pháp điều khiển thích nghi khác nhau Đơn giản nhất là phương pháp hoạch định độ lợi (Gain Scheduling), theo phương pháp này thông số của bộ điều khiển thay đổi theo điều kiện làm việc, khối nhận dạng trong sơ đồ tổng quát ở hình trên là không cần thiết Nếu khối nhận dạng ước lượng thông số của đối tượng và khối chỉnh định tính toán thông số của bộ điều khiển theo mô hình của đối tượng ta có sơ đồ điều khiển thích nghi gián tiếp, ngược lại nếu khối nhận dạng ước lượng thông số của bộ điều khiển

ta có sơ đồ điều khiển thích nghi trực tiếp Nếu trong khối chỉnh định có sử dụng một mô hình chuẩn và chiến lược chỉnh định là tối thiểu sai lệch giữa đầu ra của mô hình chuẩn và đầu ra của hệ thống thật ta có sơ đồ điều khiển thích nghi (gián tiếp hay trực tiếp) theo mô hình chuẩn

Bộ điều khiển Đối tượng

Chỉnh định

điều kiện làm việc